Epics varningssystem för försämring kopplat till lägre sjukhusdödlighet

Att ansluta en bredvid utbredd sjukhusprognosmodell till automatiska sidopages för kritiska vårdteam var associerat med en 18% minskning av den justerade oddsen för intrahospitalsdöd, enligt en studie av 23 132 högriskpatienter publicerad i NEJM AI den 29 juli 2026. Forskare vid Rutgers Robert Wood Johnson Medical School och RWJBarnabas Health spårade implementeringen över 11 sjukhus i New Jersey, från ett akademiskt medicinskt centrum till communitybaserade icke-undervisningssjukhus.

Modellen är Epic Deterioration Index, en proprietär maskinlärningspoäng som Epic levererar i sitt elektroniska journalsystem. Den läser av vitala tecken, labresultat, sjuksköterskebedömningar och ålder som redan finns i journalen och returnerar en riskpoäng på en skala från 0 till 100, som sjukvårdssystemets egen tillkännagivande säger beräknas om var 15:e minut. Vad RWJBarnabas ändrade var routningen: så fort en patient passerade den högsta risktröskeln skickade journalen en notifiering direkt till sjukhusets snabbinsatsteam.

Vad siffrorna visar

Laget genomförde en quasi-experimentell, staplad pre- och postimplementeringsjämförelse snarare än en randomiserad prövning. Den omfattade vuxna medicinska och kirurgiska inläggningar som fick en poäng på 60 eller högre på indexet mellan den 1 oktober 2022 och den 30 augusti 2024: 10 803 patienter före förändringen och 12 329 efter, med en medelålder på 71,9 år. Ungefär 47% av postimplementeringsmöten genererade en sida till responssteamet, även om inte varje sida producerade en aktivering.

Aktiveringar av snabbinsatsteam bland dessa patienter ökade från 25,3% av sjukhusvistelser till 37,5%. Ojusterad intrahospitalsmortalitet minskade från 23,1% till 18,6%. Efter justering för ålder, komorbiditeter, sjukhustyp, indexpoäng och gruppering efter sjukhus var oddsen för att dö på sjukhuset 18% lägre i postimplementeringsgruppen, en justerad oddskvot på 0,82. Eskaleringar av vård hölls nära 1% under båda perioderna, så den extra trafiken till respons-teamet översattes inte till en våg av nya intensivvårdstransfereringar.

Hur modellen har klarat sig i huvud-till-huvud-tester

Sjukhusets riskprediktionsmodeller bedöms vanligtvis utifrån hur väl de skiljer på patienter som försämras från patienter som inte gör det, och den litteraturen har varit tuff mot denna specifika poäng. I den största publicerade analysen av Epic-indexet hittills placerade forskare vid Yale New Haven Health och University of Chicago sex tidiga varningssystem mot samma 362 926 patientmöten över sju sjukhus och placerade det nära botten, med ett område under kurvan på 0,808. Det följde National Early Warning Score på 0,829, ett poängsystem som en kliniker kan lägga till för hand, och låg långt efter den maskinlärda eCART-modellen på 0,895.

Lead time var den skarpare gapet. Epic-poängens högriskvarningar anlände i median en timme före försämring, mot 11 timmar för eCART och åtta för det handberäknade poängsystemet, och författarna noterade att tidigare arbete tyder på att flytta en patient till intensivvård inom fyra till sex timmar efter att ha uppfyllt kriterierna för försämring är där resultaten förbättras. Yale New Haven sa att de flyttade sina sju sjukhus till eCART i januari 2024 på grundval av dessa resultat.

Samma jämförelse noterade att FDA behandlar kliniskt beslutsstöd som läser journaldata för att flagga försämrade patienter som en reglerad medicinteknisk produkt, och att endast två allmänna tidiga varningssystem hade godkänts vid den tidpunkten: Rothman Index och eCART. Epic-indexet, det mest tillgängliga i gruppen, har inte genomgått den granskningen, och dess egen utveckling och valideringsarbete har inte publicerats i en peer-granskad tidskrift. Epics journalsystem täckte ungefär 48% av de akuta sjukhusplatserna i USA 2022, enligt den citerade siffran i den artikeln, så poängen beräknas i ett mycket stort antal byggnader.

Vad sjukhus som kör Epic kan ta från det

Den seniora författaren uttryckte försoningen tydligt. “Fördelen med lägre mortalitet producerades inte av en algoritm utan av samarbetet kring algoritmen”, sa Stephen P. O’Mahony, chef för medicinsk information vid RWJBarnabas Health.

Författarna tillskriver en paket med förändringar snarare än poängen ensam: klinikerutbildning, varningsjustering under den initiala piloten vid Robert Wood Johnson University Hospital, de automatiserade notifieringarna och ett stående respons-team med kritiska vårdpersonal för att skicka. Läs nästa jämförelse med Yale, det är den operativa slutsatsen för alla som annars kör verktyget. Skillnaden i mortalitet följde respons-systemet byggt runt poängen, inte poängens ranking mot dess konkurrenter.

Gruppen utvärderar för närvarande varningar utlösta av hur snabbt en patients riskpoäng stiger snarare än den nivå den når, på teorin att hastighet ger mer varning än en tröskelövergång. För de många sjukhus som redan har den här modellen som körs i bakgrunden är den överförbara halvan av studien operativ: vem som får en sida, hur snabbt och vem som anländer till sängen.